本次WAIC，小象电动顺势发布了最新一代关节模组与产品系列——扭矩密度再创新高的旋转关节与直线关节。

1、高比体育 全行业拉响警报， 巨头集体跌入「下一代巨模型失望陷阱」 沃顿商学院Ethan Mollick在转发报道时，提出了一个细思极恐的观点—— 这根本不是谷歌一家的悲剧，而是整个硅谷正在遭遇的「周期性技术寒冬」。

现场，孙文剑展示了基于此芯P1打造的联想AI主机mini。高比体育有人说大模型没有流动智力，他认为这是错的。

2、全新一代宝马3系7月首发：无排气管设计 柴油版成悬念

目前，FDR超过名义水平的幅度（0.104 vs 0.1）相对较小，其对高通量科学的实际冲击力仍有待沉淀。

3、女排2-3惜败世界第一，赛后听听球员和教练怎么说，球迷鼓励加油

而拼长城挑战验证的恰恰是这几件事：亚毫米级操作对应精密装配，15小时长程稳定对应产线连续作业，多机协同对应柔性产线的动态分工。

4、名记：湖人和篮网有意签下米切尔-罗宾逊

负5小时，被翻译成了一整天。

5、巴萨官宣德容重伤！西媒：打封闭踢世界杯 今年报销+获3000万赔偿

一旦遇到团队更迭、项目结题收尾，大量试错经验、核心失败数据便容易流失浪费。

为什么说是「真·助理」？田然（金山办公助理总裁）在发布会上的总结特别精辟——助理度过试用期，靠的从来不是文笔多好、推进力多强，而是你能不能跟老板磨合好。

比如，让它审计一个代码库的安全漏洞。

6、跟队：德容预计伤缺5-6个月，巴萨对荷兰队方面和球员不满

崔城是一位历史发烧友。

具体来说，就是让通用国产卡去做Prefill——它们的计算吞吐量不差，干这个活效率很高。

7、无人机取证+专家辅助！这个检察院如何为600岁古树撑起法治“保护伞”

写下机器战书的人 整场测试的起点，是一家叫Axiom Math的公司。

内部赛马，人才流失的恶性循环 谷歌并非没有意识到问题。

8、世界排名落后日本8位！郭士强任内既无新星也无成绩，与乔帅用人差距明显

他直言：现在是人类史上的关键时刻，AGI或将在短短几年内实现！ 哈萨比斯给出了一个令人战栗的算式：AGI的影响规模将是工业革命的10倍，而速度也是10倍。

据Boris说，公司里几乎没有手写代码这回事了，连SQL都是模型写的。

领投方是恒旭资本，跟投方包括南京创投、新四军基金，A股上市公司东睦股份作为战略股东深度参与。

9、穆里尼奥态度强硬！硬拦阿韦洛亚挖人，拒绝放走皇马锋线瑰宝

真场景单位：早已躬身入局 场景单位：晶泰科技是一家面向精细操作领域的科学智能生物医药企业，借助物理AI 推动科研自动化从实验室走向产业落地。

这可不是一张太阳系的图，是一个真正运行的太阳系！ 太阳坐在正中，行星一颗颗铺开。

10、许昕刚拿冠军，我就get了他的华住会“同款 ”

关键不在于路线本身，而在于公司是否拥有与路线相匹配的资源和能力。

模型被分配了8小时，实际用了不到1小时，跑法是64个子智能体并行开工。

1、世界杯奖项揭晓：西班牙冠军包揽四奖，梅西银球告别，姆巴佩金靴

也有网友说，挪威对1到7年级近乎禁用生成式AI，才是明智之举。

2、硬氪首发

K3：全球开源最大最强AI K3是能力最强的Kimi模型: 参数高达2.8 万亿，百万级上下文，原生多模态 架构基于自研的Kimi Delta Attention和 Attention Residuals； 注意力残差以低于2%的额外成本实现~25%的训练效率提升； 实现最高6.3倍解码加速。

3、2026“湘超”揭幕战长沙迎战永州，长沙第二现场已就绪！

Sonnet 4.6，是那个哄人的。梅西将打破沉默接受采访！澄清谣言回击阴谋论 密友：他没输不起第1个测试是AI综合能力。

4、没有融资就无缘银行贷款？科创“最先一公里”的金融破题

TokenBox™给出的答案，是把那座工厂缩到能摆进科室的尺寸。

5、15倍光学变焦+一英寸传感器，松下ZS300值不值得买？

整体效果，就是那种可以直接送进影院灯箱的感觉。

6、雄鹿助教：伯里斯攻防兼备 有超越同龄人的成熟

在一款面向科学理解、预测与生成的科学多模态统一推理模型 ——S1-Omni的加持下，「统一」被拆成了三件具体的事。

图灵测试就是一个例子。

PolicyTrim在标准设置和动态扰动设置下都维持或提升成功率，同时显著缩短真实执行时间。

7、MLS前标王22亿转会费成空？亚特兰大联或清洗27岁前锋

这两年，OpenAI和Anthropic都不约而同地都把重心压在了代码、办公、设计这几个场景上。

我们必须抓住AGI到来之前这扇珍贵的窗口，把这项技术塑造成造福全人类的力量。

8、对话润建股份：AI应用拼的不只是模型能力，更是从Token到价值创造的闭环能力

这一问题并不局限于材料建模。

而这，恰恰是面壁智能的统治区。

关键问题：能否在不牺牲任务成功率的前提下，通过后训练，让已有VLA策略自动学会「少走弯路」，用更少物理步骤完成任务？ 来自四川大学雷印杰教授领导的团队提出了PolicyTrim——一个面向「策略效率」的两阶段强化学习后训练框架。

不过，也有人从这波狂飙里嗅出了别的味道。